دانلود مقاله ISI انگلیسی شماره 16390 + ترجمه فارسی
عنوان فارسی مقاله

پیش بینی کارای شاخصهای بازار سهام با استفاده بهینه سازی جستجوی باکتریایی تطبیقی(ABFO) و تکنیکهای مبتنی بر BFO

کد مقاله سال انتشار مقاله انگلیسی ترجمه فارسی
16390 2009 8 صفحه PDF 17 صفحه WORD
خرید مقاله
پس از پرداخت، فوراً می توانید مقاله را دانلود فرمایید.
عنوان انگلیسی
Efficient prediction of stock market indices using adaptive bacterial foraging optimization (ABFO) and BFO based techniques
منبع

Publisher : Elsevier - Science Direct (الزویر - ساینس دایرکت)

Journal : Expert Systems with Applications, Volume 36, Issue 6, August 2009, Pages 10097–10104

فهرست مطالب ترجمه فارسی
چکیده
کلیدواژه
1. معرفی
2. مبانی BFO  و BFO تطبیقی
3. کاربرد BFO و ABFO در پیش بینی بازار سهام
3.1 ارائه مدل پیش بینی بر اساس BFO
جدول 1: شاخصهای فنی انتخاب شده و فرمول آنها
4. مطالعه شبیه سازی
4.1 داده های تجربی
4.2. آموزش و تست مدل پیش بینی
جدول 2: مقایسه MAPE  برای شاخص سهام S & P 500  به دست آمده از مدل های مختلف
جدول 3: مقایسه MAPE  برای شاخص سهام S & P 500  به دست آمده از مدل های مختلف
5. بحث و نتایج 
6. نتیجه گیری
کلمات کلیدی
پیش بینی بازار سهام - بهینه سازی جستجوگری باکتریایی - تطبیق ​​بهینه سازی جستجوگری باکتریایی - الگوریتم ژنتیک و بهینه سازی گروهی ذرات -
ترجمه چکیده
مقاله حاضر به معرفی استفاده از تکنیک های BFO و ABFO در ارائه یک مدل پیش بینی کارا می پردازد که برای تخمین شاخصهای مختلف سهام به کار می رود. ساختار استفاده شده در این مدل پیش بینی یک ترکیب خطی ساده است. وزنهای مرتبط مدل های مبتنی بر ترکیب خطی تطبیقی با استفاده از ABFO و BFO و به حداقل رساندن خطای مربع میانگین (MSE) بهینه سازی خواهند شد. عملکرد پیش بینی کوتاه مدت و بلند مدت این مدلها با تست داده ها ارزیابی خواهد شد و نتایج به دست آمده با نتایج حاصل از الگوریتم ژنتیک (GA) و مدلهای مبتنی بر بهینه سازی ازدحام ذرات (PSO) مقایسه خواهند شد. به طور کلی مشاهده می شود مدل های جدید از نظر محاسباتی کارآمد تر، از نظر پیش بینی منطقی دقیق تر بوده و در قیاس با سایر مدلهای محاسباتی تکاملی مثل مدلهای مبتنی بر GA و POS، همگرائی سریعتری را نشان می دهند.
ترجمه مقدمه
پیش بینی مالی و یا به طور خاص پیش بینی بازار سهام با توجه به برنامه های کاربردی تجاری و مزایای جذابی که ارائه می کند، یکی از پربحث ترین زمینه های پژوهشی است. وقتی که پول بیشتر و بیشتری در بازار سهام سرمایه گذاری می شود، سرمایه گذاران از تغییرات آینده قیمت سهام در بازار عصبی و مضطرب خواهند شد. نگرانی اولیه در تعیین زمان مناسب برای خرید، نگهداری یا فروش است. متاسفانه، پیش بینی بازار سهام کار آسانی نیست، به دلیل این واقعیت که شاخصهای بازار سهام اساسا پویا، غیرخطی، پیچیده، غیر پارامتری و ماهیتا پر آشوب هستند (تن، کوئک و ان جی، 2005). سری زمانی این فرآیندها چند استاده، پر سر و صدا و تصادفی هستند و ترمزهای ساختاری کامل دارند ( اوه و کیم، 2002؛ وانگ، 2003). علاوه بر این، تغییرات بازار سهام تحت تاثیر خیلی از عوامل اقتصادی کلان هستند (وانگ، 2002) از جمله وقایع سیاسی، سیاست بنگاهها، شرایط اقتصادی، انتظارات سرمایه گذاران، انتخاب نهادی سرمایه گذاران، تغییر در سایر بازارهای سهام و روانشناسی سرمایه گذاران. بسیاری از آثار پژوهشی در زمینه پیش بینی بازار سهام در سراسر جهان گزارش شده است. به طور کلی، سه مکتب فکری در رابطه با چنین پیش بینی وجود دارد. اولین مکتب معتقد است که براساس اطلاعات تاریخی و حال حاضر هیچ سرمایه گذاری نمی تواند سودهائی بالاتر از متوسط سودهای تجاری به دست آورد. اغلب نظریه ها شامل فرضیه گام تصادفی و فرضیه بازار کارا می شوند(پیترز، 1996). تیلور (1986) در مقاله خود دلیل قانع کننده ای برای رد فرضیه گام تصادفی پیدا کرد و در نتیجه محققان تشویق شدند مدلهای بهتری را برای پیش بینی قیمت بازار ارائه کنند. دیدگاه دوم برگرفته از تجزیه و تحلیل بنیادی است. تحلیلگران مطالعات عمیقی را در خصوص عوامل مختلف کلان اقتصادی انجام دادند و نتایج و شرایط مالی صنایع را بررسی کردند تا میزان همبستگی ممکن در تغییرات قیمت سهام را مشخص نمایند. تحلیلگران فنی دیدگاه سوم را در خصوص پیش بینی قیمت بازار ارائه کردند. آنها معتقدند که الگوهای تکراری در رفتار بازار وجود دارند که قابل شناسایی و پیش بینی هستند. در این فرایند، تعداد پارامترهای آماری را با نام شاخصهای فنی و الگوهای نموداری از داده های تاریخی مورد استفاه قرار دادند. با این حال، این تکنیکها با توجه به وابستگی شدید به تخصص و استدلال انسانی اغلب نتایج متناقضی به دنبال داشتند. گرایش اخیر به ارائه مدل های تطبیقی جهت پیش بینی اطلاعات مالی است. این مدلها می توانند بطور گسترده به مدلهای آماری و مدلهای محاسبات نرم تقسیم شده اند. یکی از روشهای آماری شناخته شده، روشی است که براساس متوسط حرکت یکپارچه خود برگشتی بنا نهاده شده است (ARIMA) (آینی باباتونده و پیلات، 1992). پیشرفت اخیر در محاسبات نرم بعد جدبدی به حوزه پیش بینی مالی داده است. بیشتر مدلهای مبتنی بر شبکه های عصبی مصنوعی (ANN) داده های تاریخی شاخص سهام مثل شاخصهای فنی را مورد استفاه قرار می دهند (کیم، 2006) تا هزینه های آتی را پیش بینی کنند. ابزارهای مبتنی بر ANN با توجه به قابلیت های ذاتی در نزذیک کردن تابع غیر خطی به درجه بالایی از دقت به طور فزاینده ای محبوبیت کسب کرده اند. شبکه های عصبی کمتر به فرضیه های خطا حساس هستند و می توانند سر و صدا، اجزای پرآشوب و دنباله های سنگین را بهتر تحمل کنند (مسترز، 1993). سه ابزار مشهور ANN برای این کار عبارتند از تابع پایه ای شعاعی (RBF) (هان و کامبر، 2001)، شبکه های عصبی جاری (RNN) (سعد، پروخروف و وانش، 1998) و دریافت چند لایه (MLP). اخیرا، مدل های جدید بر اساس شبکه های عصبی چند شاخه (MBNN) (یاماشیتا،هیراساوا، و هیو، 2005)، شبکه های عصبی موجک خطی موضعی (LLWNN) (چن، دونگ، و ژائو، 2005) در بین سایر موارد گزارش شده اند. الگوریتم ژنتیک (GA) به تازگی در پیش بینی استفاده شده است (کیم، 2006، تن و همکاران، 2005). منابع موجود نشان می دهند که آثار بسیار کمی در خصوص استفاده از ابزار محاسبات تکاملی در آموزش مقادیر پیش بینی مدلها گزارش شده اند. اخیرا یک تکنیک محاسباتی تکاملی جدید شناخته شده با نام عنوان بهینه سازی جستجوی باکتریایی (BFO) نیز گزارش شده (پاسینو، 2002) و با موفقیت در بسیاری از مسائل جهانی مثل برآورد هارمونیک (میشرا، 2005)، کاهش تلفات انتقال (تریپاتی، میشرا، لای و ژانگ، 2006)، فیلتر برق فعال برای جبران بار (میشرا و بنده، 2007)، شبکه برق (تریپاتی، و میشرا، 2007)، پیش بینی بار (اولاگامای، ونکاتش، کانان و پادهی، 2007) و تجزیه و تحلیل اجزای مستقل (آچاریا، پاندا، میشرا، و لاخشمی، 2007) به کار گرفته شد. بهینه سازی جستجوی باکتریایی قراردادی واحد بلند مدت ثابت را در به روز رسانی محل باکتری به کار می گیرد (گامی که به واسطه آن باکتری ها در یک حرکت جابجا می شوند یا جست و خیز می کنند). به منظور بهبود عملکرد بهینه سازی، طرح فازی تاکاجی- سوگنو استفاده شده تا پذیرش واحد بلند مدت صورت گیرد (میشرا، 2005). با این حال، در BFO فازی، عملکرد با انتخاب تابع عضویت و پارامترهای قانون فازی مرتبط است و هیچ رویکرد سیستماتیک برای تعیین این پارامترها در مسئله داده شده وجود ندارد. از این رو، BFO فازی که در میشرا (2005) ارائه شده، برای بهینه سازی مسائل پیچیده مختلف مناسب نیست. در میشرا و بنده (2007)، BFO اصلاح شده پیشنهادی برای بهینه سازی ضرایب کنترل کننده PI در فیلتر برق فعال استفاده شده است. این الگوریتم در انجام بهتر GA قراردادی با توجه به سرعت همگرایی نشان داده شده است. تریپاتی و میشرا (2007) به تازگی یک الگوریتم بهبود یافته را برای بهینه سازی همزمان کاهش توان واقعی و حد ثبات ولتاژ یک شبکه قدرت مش شبکه ای پیشنهاد کرده اند. نتایج شبیه سازی رویکرد آنها عملکرد برتری را در مقایسه با روش مبتنی بر BFO قراردادی نشان می دهد. در کار اخیر (اولاگامی و همکاران، 2007) BFO را برای آموزش شبکه عصبی موجک (WNN)استفاده کرده اند که به هدف شناسایی ویژگیهای غیر خطی بارهای سیستم قدرت انجام شد. آچاریا و همکاران(2007) BFO را در تجزیه و تحلیل اجزای مستقل استفاده کرده و گزارش دادند که روش پیشنهادی در قیاس با ICA مبتنی بر الگوریتم ژنتیک محدود عملکرد تفکیک بهتر ی دارد. با بررسی تمامی پژوهشهای انجام شده مشخص گردید که هیچ یک از آثار موجود BFO و الگوریتم تطبیقی BFO را در طراحی مدلها برای پیش بینی کوتاه مدت و بلند مدت شاخص های سهام به کار نگرفته اند. کار حاضر کمک بزرگی در این راستا است. مقاله حاضر دو هدف اصلی دارد. هدف اول، ارائه یک مدل جدید پیش بینی جهت برآورد شاخصهای سهام است که ترکیب خطی تطبیقی به عنوان ساختار اصلی مدل و BFO به عنوان یک ابزار محاسبات تکاملی وعده داده شده در آموزش پارامترهای مدل مورد استفاده قرار می گیرد. هدف دوم، معرفی یک تکنیکBFO تطبیقی ساده تازه ارائه شده (ABFO) و بکارگیری این تکنیک در ارائه مدل پیش بینی کاراتر با همان هدف قبلی است. عملکرد مدلهای جدید در پیش بینی کوتاه مدت و بلند مدت شاخصهای سهام ارزیابی شده و با نتایج به دست آمده از مدلهای مبتنی بر سایر ابزار محاسبات تکاملی مانند GA و PSO مقایسه خواهند شد. قانون یادگیری ABFO پیشنهادی طول مدت اجرای تطبیقی را در مرحله کموتاکسی فراهم می کند که در مقایسه با همتای BFO همگرائی سریعتری را در طول دوره آموزش فراهم خواهد نمود. در ادامه این مقاله به شرح زیر سازماندهی شده است. بخش دوم مبانی اصولی ابزارهای BFO و ABFO مورد بررسی قرار می دهد که در آموزش ترکیب خطی مدلها به کار گرفته شده است. ارائه مدل بر اساس BFO و ABFO در پیش بینی بازار سهام در بخش 3 آمده است. برای نشان دادن عملکرد پیش بینی مدل های پیشنهادی، مطالعه شبیه سازی در بخش 4 انجام شده است. این بخش فرمول محاسبه شاخصهای فنی را نیز ارائه می دهد. نتایج شبیه سازی در بخش 5 مورد بحث قرار گرفته اند. در نهایت، نتیجه گیری از بحث در بخش 6 آمده است.
پیش نمایش مقاله
پیش نمایش مقاله پیش بینی کارای شاخصهای بازار سهام با استفاده بهینه سازی جستجوی باکتریایی تطبیقی(ABFO) و تکنیکهای مبتنی بر BFO

چکیده انگلیسی

The present paper introduces the use of BFO and ABFO techniques to develop an efficient forecasting model for prediction of various stock indices. The structure used in these forecasting models is a simple linear combiner. The connecting weights of the adaptive linear combiner based models are optimized using ABFO and BFO by minimizing its mean square error (MSE). The short and long term prediction performance of these models are evaluated with test data and the results obtained are compared with those obtained from the genetic algorithm (GA) and particle swarm optimization (PSO) based models. It is in general observed that the new models are computationally more efficient, prediction wise more accurate and show faster convergence compared to other evolutionary computing models such as GA and PSO based models.

مقدمه انگلیسی

Financial forecasting or specifically Stock Market prediction is one of the hottest fields of research due to its commercial applications and the attractive benefits it offers. As more and more money is being invested in the stock market, investors get nervous and anxious of the future trends of the stock prices in the markets. The primary area of concern is to determine the appropriate time to buy, hold or sell. Unfortunately, stock market prediction is not an easy task, because of the fact that stock market indices are essentially dynamic, nonlinear, complicated, nonparametric, and chaotic in nature (Tan, Quek, and Ng, 2005). The time series of these processes are multi-stationary, noisy, random, and has frequent structural brakes (Oh and Kim, 2002 and Wang, 2003). In addition, stock market’s movements are affected by many macro-economical factors (Wang, 2002) such as political events, firms’ policies, general economic conditions, investors’ expectations, institutional investors’ choices, movement of other stock market and psychology of investors. Many research works have been reported in the field of stock market prediction across the globe. Generally there are three schools of thoughts regarding such prediction. The first school believes that no investor can achieve above average trading advantages based on historical and present information. The major theories include the random walk hypothesis and the efficient market hypothesis (Peters, 1996). Taylor (1986) in his paper has provided compelling evidence to reject the random walk hypothesis and therefore researchers have been encouraged to suggest better models for market price prediction. The second view is that of fundamental analysis. Analysts have undertaken in-depth studies into the various macro-economic factors and have looked into the financial conditions and results of the industry concerned to discover the extent of correlation that might exist with the changes in the stock prices. Technical analysts have presented the third view on market price prediction. They believe that there are recurring patterns in the market behavior, which can be identified and predicted. In the process they have used number of statistical parameters called technical indicators and charting patterns from historical data. However, these techniques have often yielded contradictory results due to heavy dependence on human expertise and justification. The recent trend is to develop adaptive models for forecasting financial data. These models can be broadly divided into statistical models and soft-computing models. One of the well known statistical methods is the one based on autoregressive integrated moving average (ARIMA) (Ayeni Babatunde and Pilat, 1992). The recent advancement in the field of soft-computing has given new dimension to the field of financial forecasting. Most artificial neural network (ANN) based models use historical stock index data such as technical indicators (Kim, 2006) to predict future prices. Tools based on ANN have increasingly gained popularity due to their inherent capabilities to approximate any nonlinear function to a high degree of accuracy. Neural networks are less sensitive to error term assumptions and can tolerate noise, chaotic components, and heavy tails better than most other methods (Masters, 1993). The three most popular ANN tools for the task are radial basis function (RBF) (Hann and Kamber, 2001), recurrent neural network (RNN) (Saad, Prokhorov, and Wunsch, 1998) and multilayer perceptron (MLP). More recently, new models based on multi-branch neural networks (MBNN) (Yamashita, Hirasawa, and Hu, 2005), local linear wavelet neural networks (LLWNN) (Chen, Dong, and Zhao, 2005) among others have been reported. The genetic algorithm (GA) has recently been applied (Tan et al., 2005; Kim, 2006) for prediction. Existing literature reveals that very little work has been reported on the use of evolutionary computing tools in training the weights of forecasting of models. Recently a new evolutionary computing technique known as bacterial foraging optimization (BFO) has been reported (Passino, 2002) and successfully applied to many real world problems like harmonic estimation (Mishra, 2005), transmission loss reduction (Tripathy, Mishra, Lai, and Zhang, 2006), active power filter for load compensation (Mishra and Bhende, 2007), power network (Tripathy and Mishra, 2007), load forecasting (Ulagammai, Venkatesh, Kannan, and Padhy, 2007) and independent component analysis (Acharya, Panda, Mishra, and Lakhshmi, 2007). The conventional BFO employs constant run length unit (the step by which the bacteria run or tumble in one go) in updating the location of the bacteria. To improve the optimization performance Takagi–Sugeno fuzzy scheme has been used to adapt the run length unit (Mishra, 2005). However, in Fuzzy-BFO the performance is linked with choice of the membership function and the fuzzy rule parameters and no systematic approach exists to determine these parameters for a given problem. Hence, the Fuzzy-BFO presented in Mishra (2005) is not suitable for optimizing various complex problems. In Mishra and Bhende (2007), a modified BFO proposed in has been used to optimize the coefficients of PI controller for active power filters. This algorithm has been shown to outperform a conventional GA with respect to convergence speed. Tripathy and Mishra (2007) have recently proposed an improved BFO algorithm for simultaneous optimization of the real power losses and voltage stability limit of a mesh power network. Simulation results of their approach shows superior performance compared to the conventional BFO based method. In a recent communication (Ulagammai et al., 2007) the BFO has been applied to train a wavelet neural network (WNN) meant for identifying nonlinear characteristics of power system loads. Acharya et al. (2007) have used the BFO in independent component analysis and have reported that the proppseed method yields better separation performance compared to the constrained genetic algorithm based ICA. To the best of our knowledge none of the existing work has applied the BFO and adaptive BFO algorithms in designing forecasting models for short and long term prediction of stock indices. The present work is a humble contribution in this direction. The present paper has two main objectives. Firstly it aims to develop a new forecasting model for prediction of stock indices using an adaptive linear combiner as the basic structure of the model and the BFO, a promising evolutionary computing tool, for training the parameters of the model. The second objective is to introduce a newly developed simple adaptive BFO (ABFO) technique and apply the same to develop more efficient prediction model for the same purpose. The prediction performance of the new models have been evaluated for short and long term prediction of stock indices and have been compared with those obtained from models based on other evolutionary computing tools such as GA and PSO. The proposed ABFO learning rule provides adaptive runlength in the chemotaxis step which leads to faster convergence during training compared to its BFO counterpart. The organization of the paper proceeds as follows. Section 2 deals with the basic principle of the BFO and ABFO tools employed for training the linear combiner of the models. The BFO and ABFO based model developments for stock market prediction are outlined in Section 3. To demonstrate the prediction performance of the proposed models the simulation study is carried out in Section 4. This section also provides the formulae of computing the technical indicators. The results of simulation are discussed in Section 5. Finally the conclusion of the investigation is provided in Section 6.

نتیجه گیری انگلیسی

In this paper two new forecasting models based on BFO and ABFO are developed to predict different stock indices using technical indicators derived from the past stock indices. The structure of these models are basically an adaptive liner combiner, the weights of which are trained using the ABFO and BFO algorithms. To demonstrate the performance of the proposed models simulation study is carried out using known stock indices and their prediction performance is compared with standard GA and PSO based forecasting models. The comparison indicates that the proposed models offer lesser complexity, better prediction accuracy and faster training compared to those obtained from the GA and PSO based models. Out of the two new models proposed the ABFO model provides best performance in all counts followed by the simple PSO based model.

خرید مقاله
پس از پرداخت، فوراً می توانید مقاله را دانلود فرمایید.